-
L’importance des clutch performances dans les probabilités projetées
Le baseball est un sport où les événements ponctuels (coup sûr en 7e manche, erreur défensive, stratégie de bullpen) peuvent inverser des tendances statistiques. Notre modèle de notation dynamique enrichie intègre déjà des ajustements pour ces situations, mais ce match rappelle que les clutch stats (AVG en situations à haute pression, OPS en 7e manche+) doivent être pondérées davantage lorsque les écarts de probabilité sont serrés. Par exemple, l’incapacité des Braves à convertir des avances en points malgré une OPS correcte a été un facteur clé de leur défaite, alors que les Padres ont capitalisé sur des coups décisifs en fin de match. À l’avenir, nous pourrions intégrer un module de clutch projection basé sur les données historiques des joueurs en situations de haute pression.
-
La volatilité des lanceurs partants et son impact sur les projections
JR Ritchie illustre un problème récurrent dans le baseball moderne : les lanceurs partants peuvent voir leur performance chuter brutalement en l’espace de quelques matchs (ERA passant de 4.54 à 6.08). Notre modèle utilise déjà l’ERA sur les 3 dernières sorties comme indicateur, mais ce match montre que les ajustements en temps réel (ex. : suivi des xERA, FIP, ou SIERA) pourraient améliorer la précision. De plus, l’absence de données pour le lanceur des Padres souligne un besoin de transparence accrue dans les statistiques des équipes adverses. Une collaboration avec les ligues ou les diffuseurs pour obtenir des données granulaires sur les lanceurs partants serait un atout.
-
L’effet des erreurs défensives sur les probabilités projetées
Les deux erreurs commises par Atlanta ont directement conduit à des points pour San Diego, inversant une avance de 4-2 en début de 6e manche. Cela rappelle que les projections doivent intégrer une pondération pour la fiabilité défensive (Defensive Efficiency, DRS, UZR) en plus des métriques offensives. Notre modèle utilise déjà les park factors et les splits, mais une analyse plus poussée des tendances défensives récentes (ex. : baisse de DRS sur les 10 derniers matchs) pourrait affiner les probabilités. Par exemple, si une équipe commet 3 erreurs en moyenne par match sur sa dernière série, cela doit être reflété dans la notation dynamique.
-
La nécessité d’ajuster les park factors en fonction des conditions réelles
Petco Park est généralement considéré comme un parc défensif (pitcher-friendly), mais ce match a montré que les conditions locales (vent, humidité) peuvent modifier cet avantage. Notre modèle utilise des park factors moyens, mais une calibration en temps réel (via des capteurs météo ou des données de la MLB) pourrait améliorer la précision. Par exemple, si le vent souffle en faveur des frappeurs, le park factor devrait être ajusté à la hausse, ce qui aurait pu modifier légèrement la probabilité projetée en faveur des Padres.
-
L’impact du repos et de la rotation sur les performances en série
Atlanta a aligné un lanceur en situation de fatigue (Ritchie, après une série de mauvaises performances), tandis que San Diego a pu compter sur un bullpen frais. Ce contraste souligne l’importance d’intégrer dans le modèle :
- Le rest days pour les lanceurs partants et les frappeurs clés.
- La profondeur du roster (*